یک سیستم توصیه گر برای صنعت گردشگری یک سیستم توصیه گر برای صنعت گردشگری با استفاده از تکنیک های یادگیری ماشین پیش بینی

سیستم های توصیه شده در دامنه تجارت الکترونیک ظاهر می شوند و در حال توسعه هستند تا آیتم های مناسب را به کاربران آنلاین توصیه کنند. سیستم های توصیف سنتی همکاری (CF) توصیه می کنند که براساس بازخورد تک امتیاز خود که مورد استفاده برای مطابقت با کاربران مشابه است، مورد استفاده قرار گیرد. در سیستم های پیشنهاد دهنده چندین معیار CF، به جای بازخورد تک امتیاز، که می تواند به طور قابل توجهی دقت الگوریتم های CF سنتی را بهبود بخشد، رتبه بندی چند معیاره استفاده می شود. این سیستم‌ها با موفقیت در حوزه توریسم پیاده‌سازی شده‌اند. در این مقاله، ما یک روش پیشنهادی جدید مبتنی بر CF چند معیاری را پیشنهاد می‌کنیم تا دقت پیش بینی سیستم‌های توصیه‌گر در حوزه گردشگری را با استفاده از روش‌های خوشه‌بندی، کاهش ابعاد و روش‌های پیش‌بینی افزایش دهیم. ما از سیستم های استنتاج نوری – فازی متحرک (ANFIS) و رگرسیون بردار پشتیبانی (SVR) به عنوان تکنیک های پیش بینی، تجزیه و تحلیل مولفه اصلی (PCA) به عنوان یک روش کاهش ابعاد و نقشه خودسازمانده (SOM) و حداکثر سازی امید (EM) – تکنیک های خوشه بندی شناخته شده استفاده می کنیم. برای ب

Recommender systems have emerged in the e-commerce domain and are developed to actively recommend the right items to online users. Traditional Collaborative Filtering (CF) recommender systems recommend the items to users based on their single-rating feedback which are used to match similar users. In multi-criteria CF recommender systems, however, multi-criteria ratings are used instead of single-rating feedback which can significantly improve the accuracy of traditional CF algorithms. These systems have been successfully implemented in Tourism domain. In this paper, we propose a new recommendation method based on multi-criteria CF to enhance the predictive accuracy of recommender systems in tourism domain using clustering, dimensionality reduction and prediction methods. We use Adaptive Neuro-Fuzzy Inference Systems (ANFIS) and Support Vector Regression (SVR) as prediction techniques, Principal Component Analysis (PCA) as a dimensionality reduction technique and Self-Organizing Map (S